- Machine learning transformeert bouwcontroles
- Hoe technologie onderhoudskosten kan verlagen
- 3D AI-herkenningssysteem detecteert schade in betonconstructies
- Verticale robot reinigt gevels van wolkenkrabbers
- Gebouwbeheer door robots
Het is misschien niet algemeen bekend, maar commerciële en residentiële gebouwen behoren tot de grootste vervuilers ter wereld. Ze zijn verantwoordelijk voor ongeveer 40 procent van de wereldwijde CO2-uitstoot, 60 procent van het wereldwijde elektriciteitsverbruik en 25 procent van het wereldwijde waterverbruik. Nu we middenin een wereldwijde klimaatcrisis zitten wordt het steeds belangrijker om een manier te vinden onze gebouwen energiezuiniger te maken en hun ecologische voetafdruk te verkleinen. Een van de meest effectieve manieren om dit probleem aan te pakken, is gebouwen ‘slimmer’ te maken door verschillende sensoren, bedieningselementen en analysedashboards te installeren, waarmee we kunnen zorgen dat zaken als aiconditioning en andere omgevingscontroles zo optimaal mogelijk functioneren. Maar zelfs wanneer een gebouw is ontworpen met het oog op efficiëntie, neemt die naarmate de jaren verstrijken vaak af — hetzij door een storing in het subsysteem, een verkeerde configuratie of gewoon een verandering in de omstandigheden. Bovendien kan het oorspronkelijke ontwerp onmogelijk elk probleem verklaren dat zich in de loop van de tijd kan voordoen. Dus als er uiteindelijk iets onverwachts gebeurt, kunnen de systemen van het gebouw niet altijd op de juiste manier reageren. Een ander probleem is dat eventuele aanpassingen meestal handmatig door een bouwkundig ingenieur moeten worden uitgevoerd, wat niet bepaald een efficiënte manier is, vooral vanwege het potentiële gevaar van menselijke fouten. Maar wat als we een deel van die verantwoordelijkheid aan kunstmatige intelligentie en machine learning-algoritmen zouden kunnen geven? In tegenstelling tot mensen kunnen algoritmen met een veel groter aantal factoren rekening houden bij het bepalen waar de aanpassingen moeten worden aangebracht. Denk bijvoorbeeld aan weersvoorspellingen, de stand van de zon of de intensiteit ervan. Hierdoor kunnen ze HVAC-systemen en andere omgevingscontroles veel nauwkeuriger aansturen.
“Je hebt waarschijnlijk 45 ingenieurs nodig die 25 uur per dag werken en al deze berekeningen maken om in de buurt te komen van wat AI voor een paar centen voor je kan doen”.
Jean-Simon Venne, mede-oprichter en chief technology officer bij BrainBox AI
Machine learning transformeert bouwcontroles
Met meer dan tien jaar ervaring met slimme gebouwen, weet Jean-Simon Venne wel het een en ander over energie-efficiëntie. Nadat hij gedesillusioneerd was geraakt door de traditionele benadering van energie-efficiëntie in commercieel vastgoed, die niet de gewenste resultaten opleverde, besloot hij zijn eigen bedrijf op te richten, BrainBox AI. Het bedrijf gebruikt machine learning-algoritmen om de HVAC-systemen (verwarmings-, ventilatie- en aircosystemen) in gebouwen te regelen. Een traditionele thermostaat is bijvoorbeeld ontworpen om op veranderingen in zijn omgeving te reageren, wat betekent dat het apparaat pas in actie komt nadat de temperatuur boven of onder een bepaald punt is gekomen. Een slim gebouwbeheersysteem maakt een veel proactievere benadering mogelijk. Zo anticipeert het bijvoorbeeld op toekomstige veranderingen door alvast aanpassingen te doen voordat de veranderingen plaatsvinden. In tegenstelling tot een thermostaat kan een slim gebouwbeheersysteem bovendien veel meer dan alleen de verwarming hoger of lager zetten of de airconditioning inschakelen. Het kan bijvoorbeeld ook gebruikmaken van passieve klimaatregelingen als zonwering, wat aanzienlijk efficiënter is. “Je hebt waarschijnlijk 45 ingenieurs nodig die 25 uur per dag werken en al deze berekeningen maken om in de buurt te komen van wat AI voor een paar centen voor je kan doen”, zegt Venne. “Je zou dit niet handmatig moeten proberen om dezelfde reden dat je niet met een computer zou moeten schaken, omdat die gewoon te goed is”. BrainBox AI kan zelfs de luchtkwaliteit van een gebouw regelen door de ventilatie op basis van externe omstandigheden automatisch aan te passen, zoals smog of hoge pollenniveaus. “De hoeveelheid CO2 wordt vaak niet gemonitord of zelfs maar overwogen”, vult Venne aan. “Dat zijn dus de volgende logische stappen die het welzijn van de mensen in een gebouw moeten verbeteren”.
Hoe technologie onderhoudskosten kan verlagen
DwellWell, het in de VS gevestigde bedrijf voor smart home-technologie heeft een nieuw apparaat ontwikkeld dat een netwerk van multifysische sensoren gebruikt om de werking en prestaties van een huis of woongebouw in realtime te monitoren. De gegevens die door de sensoren worden verzameld worden vervolgens door geavanceerde AI-algoritmen geanalyseerd. De algoritmen brengen eigenaren en beheerders van woningen direct op de hoogte van mogelijke problemen met vastgoedsystemen voordat deze ernstige vormen aannemen. “We gebruiken ambient inference-technologie die we zelf hebben ontwikkeld”, vertelt Dan Simpkins, CEO en medeoprichter van DwellWell. “Deze sensor meet diverse parameters vanuit de omgeving waardoor we kunnen zoeken naar veranderingen die erop kunnen duiden dat er een probleem is”. Het apparaat kan onder andere het gebruik en de prestaties van verwarmings- en koelsystemen en sanitair monitoren en storingen als lekkende toiletten en druppelende kranen detecteren. Het kan ook de elektrische spanning over het hele elektrische systeem bewaken en spanningsstoringen en bedradingsfouten melden. Het systeem heeft bovendien rapportagemogelijkheden voor het binnenklimaat, waardoor het factoren als temperatuur, vochtigheid, luchtkwaliteit, koolmonoxide, schimmel en geluidsniveaus kan monitoren en analyseren. Een van de grootste verkoopargumenten van het nieuwe apparaat van DwellWell is dat er geen professionele installatie voor nodig is. Er hoeven geen leidingen voor doorgesneden te worden of sensoren op individuele apparaten geïnstalleerd te worden. Er hoeft zelfs geen stroomonderbrekerspaneel geopend te worden. Alles wordt op afstand gemeten. Een ander opmerkelijk voordeel van het apparaat is dat er nooit gegevens naar de cloud worden geüpload en dat data te allen tijde in het thuisnetwerk blijft. “Als je sommige van deze andere IoT-platforms neemt, waarbij data naar de cloud gestuurd wordt, dan bestaat er natuurlijk altijd een kans dat die gegevens gehackt worden”, voegt Simpkins toe. “Wij doen dat niet. Wij slaan alle gegevens van de bewoners lokaal op”.
“Door enorme hoeveelheden high-resolution beelden automatisch te analyseren kan machine learning grote aantallen kleine scheurtjes in extreem grote structuren detecteren”.
Ludvig Emgård, CEO van Spotscale
3D AI-herkenningssysteem detecteert schade in betonconstructies
Lange tijd werd aangenomen dat gewapend beton bijna eeuwig meegaat en dat er weinig of geen onderhoud voor nodig is. We weten nu natuurlijk dat dit niet waar is en dat beton, hoe sterk het ook is, van tijd tot tijd onderhouden en gerepareerd moet worden. Helaas heeft deze ongegronde overtuiging als gevolg gehad dat Europa nu vol staat met gebrekkige infrastructuur en beschadigde gebouwen. Conventionele inspectiemethoden kunnen nogal tijdrovend zijn en zijn bovendien vatbaar voor menselijke fouten, wat de effectiviteit ervan behoorlijk kan beperken. Hier kan AI oplossingen bieden, waardoor inspectieteams snel enorme hoeveelheden beelden — die door drones met high-resolution camera’s worden vastgelegd — op tekenen van schade aan gebouwen, bruggen, dammen en energiecentrales kunnen analyseren. Naast het monitoren van zelfs de kleinste defecten in betonconstructies, kan AI deze ook vrijwel onmiddellijk categoriseren, wat veel tijd bespaart en een betere controle over de toestand van de gebouwde omgeving mogelijk maakt. Kiwa, een wereldleider op het gebied van testen, inspectie en certificering, is onlangs een samenwerkingsverband aangegaan met het technologiebedrijf Spotscale om innovatieve inspectietechnologie te ontwikkelen. Deze technologie maakt gebruik van machine learning-algoritmen om 3D-beelden te analyseren en de levensverwachting van een betonnen constructie te voorspellen. “Machine learning-technologie, die de geautomatiseerde analyse en verwerking van enorme hoeveelheden high-resolutionbeelden mogelijk maakt, kan grote aantallen kleine scheuren in extreem grote structuren detecteren”, vertelt Ludvig Emgård, CEO van Spotscale. “Met deze enorme hoeveelheid informatie kun je een 3D-model creëren waarmee je een overzicht krijgt van de gebreken en hun omvang in de hele structuur, wat tot nu toe onmogelijk was”. Voor deze samenwerking ontwikkelt Spotscale de software en levert Kiwa het trainingsmateriaal voor de AI en beoordeelt het de resultaten van de geautomatiseerde inspectie zodat alles aan de geaccepteerde normen voldoet.
Verticale robot reinigt gevels van wolkenkrabbers
De manier waarop we de buitenkant van onze gebouwen inspecteren en schoonmaken is net zo duur, inefficiënt en potentieel gevaarlijk als in de jaren vijftig. Je moet bovendien behoorlijk dapper zijn om aan die touwen te bungelen, jezelf aan de elementen bloot te stellen en je leven in de waagschaal te leggen om alles schoon te houden. Maar er begint verandering te komen in deze methoden. Ido Genosar en Itay Levitan realiseerden zich dat er behoefte is aan betere oplossingen en besloten een robotplatform te bouwen dat het inspectie- en onderhoudsproces van gebouwen kan automatiseren, wat deze sector — die $40 miljard waard is — kan transformeren. Het belangrijkste onderdeel van het platform is een verticale robot die zich autonoom aan de buitenkant van het gebouw kan voortbewegen om gevels en ramen schoon te maken. De robot is gemaakt van ruimtevaarttechnische materialen en weegt minder dan 10 kilo. Hij kan op elk bestaand dak worden geïnstalleerd en gebruikt ingebouwde camera’s om de gevels van gebouwen te inspecteren en te bepalen waar hij heen moet. “Veel hoge gebouwen kunnen zich maar ongeveer twee jaarlijkse schoonmaakcycli veroorloven, en elke cyclus kan tot vier maanden duren. Ons apparaat doet er maar een maand over en is bij gebruik van vier tot zes keer per jaar zelfs goedkoper”, zegt Genosar. De beelden die door de camera’s worden vastgelegd, worden door een softwareplatform met machine learning-algoritmen geanalyseerd om gebreken en schade, zoals breuken of lekkages, op te sporen. “Ons robotapparaat heeft camera’s en biedt gebouweigenaren een visuele kaart met een navigatiesysteem. Het kan daardoor ook worden gebruikt voor kostenbesparend voorspellend onderhoud”, voegt Genosar toe. Verabotics, het bedrijf dat door deze heren is opgericht, heeft onlangs een samenwerking aangekondigd met het in Hong Kong gevestigde robotbedrijf Robocore. De robots van dit bedrijf zullen ingezet worden om de buitenkant van gebouwen in de stad te inspecteren en schoon te maken. Als alles volgens plan verloopt, verwacht het bedrijf tegen 2024 meer dan 100 robots aan het werk te hebben. Naast Hong Kong wil het bedrijf de robots ook in de VS, Australië en Israël inzetten.
Gebouwbeheer door robots
Phoenix Contact wordt erkend als wereldleider in zijn vakgebied. Dat is niet verwonderlijk, want het bedrijf heeft wereldwijd meer dan honderd gebouwen in beheer. Het Emalytics gebouwbeheersysteem van het bedrijf integreert naadloos met allerlei processen, systemen en toepassingen en biedt een uitgebreid overzicht van de activiteiten van een gebouw. Nu het aantal IoT-apparaten in gebouwen steeds verder toeneemt komen gebouwbeheerders tijdens hun dagelijkse taken voor nieuwe uitdagingen te staan. Elke keer dat een IoT-sensor een alarm activeert of een foutmelding geeft, moeten technici deze handmatig inspecteren om te zien wat er aan de hand is. Dit is niet alleen tijdrovend maar ook erg vermoeiend, vooral omdat er regelmatig sprake is van valse alarmen. Deze taken kunnen natuurlijk heel goed aan een robot overgelaten worden. Om dit mogelijk te maken is Phoenix Contact een samenwerkingsverband aangegaan met het bedrijf Reply Robotics, dat al eerder een end-to-end roboticaplatform heeft ontwikkeld waarmee menselijke operators robots instructies kunnen geven, waarna deze hun taken autonoom uitvoeren. Nadat het roboticaplatform met de Emalytics-oplossing was geïntegreerd kon Phoenix Contact eerst een autonome robot sturen om eventuele foutmeldingen of door IoT-sensors geactiveerde alarmen te controleren. Alleen als de robot, die is uitgerust met een warmtebeeldcamera en gasdetectoren, een serieus probleem detecteerde, zoals bijvoorbeeld een gaslek, alarmeerde het systeem een menselijk team om in te grijpen.
Een laatste overweging
In het licht van de wereldwijde klimaatcrisis is het van cruciaal belang om de enorme milieu-impact van gebouwen aan te pakken. Ze dragen namelijk bij aan een groot deel van de CO2-uitstoot en verbruiken aanzienlijke hoeveelheden energie en water. Om de energie-efficiëntie van gebouwen te verbeteren en hun ecologische voetafdruk te verkleinen, zijn slimme (ge)bouwoplossingen essentieel. Door sensoren, bedieningselementen en analyses te integreren, kunnen gebouwsystemen optimaal functioneren. Helaas is het handhaven van de efficiëntie op de lange termijn — en effectief op onverwachte problemen reageren of anticiperen — in veel gevallen nog steeds een uitdaging. Kunstmatige intelligentie en machine learning-algoritmen bieden echter verschillende potentiële oplossingen voor dit probleem. Door proactief op veranderingen te anticiperen kunnen AI-gestuurde systemen de HVAC-operaties optimaliseren, wat substantiële energiebesparingen oplevert. AI-gestuurde technologieën transformeren bovendien de onderhouds- en inspectieprocessen van gebouwen, waardoor potentiële problemen tijdig kunnen worden opgespoord en de kosten kunnen worden verlaagd. Kortom, de acceptatie en integratie van AI- en robottechnologie in de gebouwde omgeving belooft meer duurzaamheid, efficiënter en kostenbesparend onderhoud en optimaler gebruik van hulpbronnen.
